keras - 如何解释Keras model.fit输出？

Question

我刚刚开始使用Keras。我正在处理的示例具有一个模型，下面的代码段用于运行该模型

from sklearn.preprocessing import LabelBinarizer
label_binarizer = LabelBinarizer()
y_one_hot = label_binarizer.fit_transform(y_train)

model.compile('adam', 'categorical_crossentropy', ['accuracy'])
history = model.fit(X_normalized, y_one_hot, nb_epoch=3, validation_split=0.2)

我得到以下回应:

Using TensorFlow backend. Train on 80 samples, validate on 20 samples Epoch 1/3

32/80 [===========>..................] - ETA: 0s - loss: 1.5831 - acc:
0.4062 80/80 [==============================] - 0s - loss: 1.3927 - acc:
0.4500 - val_loss: 0.7802 - val_acc: 0.8500 Epoch 2/3

32/80 [===========>..................] - ETA: 0s - loss: 0.9300 - acc:
0.7500 80/80 [==============================] - 0s - loss: 0.8490 - acc:
0.8000 - val_loss: 0.5772 - val_acc: 0.8500 Epoch 3/3

32/80 [===========>..................] - ETA: 0s - loss: 0.6397 - acc:
0.8750 64/80 [=======================>......] - ETA: 0s - loss: 0.6867 - acc:
0.7969 80/80 [==============================] - 0s - loss: 0.6638 - acc:
0.8000 - val_loss: 0.4294 - val_acc: 0.8500

documentation说适合返回

A History instance. Its history attribute contains all information collected during training.

有人知道如何解释历史实例吗？

例如，32/80是什么意思？我假设样本数是80，但是32是多少？预计到达时间:0秒??

Answer 1

ETA =预计到达时间。
80是训练集的大小，32/80和64/80表示您的批次大小为32，并且当前正在处理第一批(或第二批)。
loss和acc是指训练集的当前损失和准确性。
在每个时期结束时，都会根据您的验证集来评估您训练有素的NN。这就是val_loss和val_acc所指的。
model.fit()返回的历史记录对象是带有某些字段的简单类，例如对model，params dict的引用，最重要的是对history dict的引用。它在每个时期的末尾存储loss和acc(或任何其他使用的度量)的值。对于2个时期，它将看起来像这样:

{
 'val_loss': [16.11809539794922, 14.12947562917035],
 'val_acc': [0.0, 0.0],
 'loss': [14.890108108520508, 12.088571548461914],
 'acc': [0.0, 0.25]
}

如果您想培训进度，这将非常方便。

注意:如果您的验证损失/准确性开始增加而培训损失/准确性仍在减少，则表明过度拟合。

注意2:最后，您应该使用一些与训练集和验证集不同的测试集来测试您的NN，因此在训练过程中从未接触过。